Keras中的Conv2D是一个2D卷积层，它可以对图像和表面进行卷积操作。它的参数包括：
filters：
它是一个整数，表示卷积核的数量或深度。
kernel_size：
它是一个整数或由两个整数组成的元组/列表，表示卷积核的宽度和高度。例如，kernel_size = 3表示3x3的卷积核，kernel_size = (3,3)也表示3x3的卷积核。
strides：
它是一个整数或由两个整数组成的元组/列表，表示卷积过程中的步长。默认情况下，strides = 1。
padding：
它是一个字符串，表示在边界处填充的方式。可以是“valid”或“same”。如果padding = “valid”，则不会在边界处填充；如果padding = “same”，则会在边界处填充。
data_format：
它是一个字符串，表示输入数据的格式。可以是“channels_last”或“channels_first”。默认情况下，data_format = “channels_last”。
dilation_rate：
它是一个整数或由两个整数组成的元组/列表，表示卷积核的膨胀率。默认情况下，dilation_rate = 1。
activation：
它是一个字符串，表示激活函数的类型。可以是“relu”、“sigmoid”或“tanh”等。默认情况下，activation = “None”。
use_bias：
它是一个布尔值，表示是否使用偏置项。默认情况下，use_bias = True。
kernel_initializer：
它是一个字符串，表示卷积核的初始化方法。可以是“glorot_uniform”、“random_normal”或“he_normal”等。默认情况下，kernel_initializer = “glorot_uniform”。
bias_initializer：
它是一个字符串，表示偏置项的初始化方法。可以是“zeros”、“ones”或“random_normal”等。默认情况下，bias_initializer = “zeros”。
kernel_regularizer：
它是一个字符串，表示卷积核的正则化方法。可以是“l1”、“l2”或“l1_l2”等。默认情况下，kernel_regularizer = “None”。
bias_regularizer：
它是一个字符串，表示偏置项的正则化方法。可以是“l1”、“l2”或“l1_l2”等。默认情况下，bias_regularizer = “None”。
activity_regularizer：
它是一个字符串，表示激活层的正则化方法。可以是“l1”、“l2”或“l1_l2”等。默认情况下，activity_regularizer = “None”。
kernel_constraint：
它是一个字符串，表示卷积核的约束条件。可以是“max_norm”、“min_max_norm”或“non_neg”等。默认情况下，kernel_constraint = “None”。
bias_constraint：
它是一个字符串，表示偏置项的约束条件。可以是“max_norm”、“min_max_norm”或“non_neg”等。默认情况下，bias_constraint = “None”。
使用Conv2D可以使用以下代码：
from keras.layers import Conv2D
conv2d = Conv2D(filters=32,
kernel_size=(3, 3),
strides=(1, 1),
padding='same',
data_format='channels_last',
dilation_rate=(1, 1),
activation='relu',
use_bias=True,
kernel_initializer='glorot_uniform',
bias_initializer='zeros',
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None)(input_tensor)
以上就是Keras中Conv2